Déjà omniprésente dans de nombreux secteurs, l’Intelligence Artificielle accompagne aussi la quête de performance et d’efficacité au sein de l’Équipe cycliste Groupama-FDJ United. Olivier Mazenot, data scientist de la structure, nous explique en quoi ces outils transforment le travail au quotidien, sans toutefois jamais se substituer aux compétences humaines.
L’IA en deux mots
« L’intelligence artificielle regroupe des technologies capables d’accomplir des tâches qui mobilisent habituellement l’intelligence humaine : reconnaître des images, faire des prédictions ou encore générer du contenu. Le machine learning et le deep learning en font partie. Leur principe : apprendre à partir de données plutôt que suivre uniquement des règles programmées à l’avance ».
On utilise l’IA
« Au sein de l’équipe, l’une des utilisations majeures de l’IA concerne la programmation, mais c’est quelque chose de désormais commun à toute l’industrie de l’ingénierie du logiciel. Il y a deux ans, notre métier était d’aligner les lignes de code et de créer des programmes pour les entraîneurs et les coureurs. C’était long et fastidieux. Aujourd’hui, nous écrivons beaucoup moins de code directement. Nous pilotons des agents IA qui nous accompagnent dans la conception des outils, produisent une partie du code et accélèrent considérablement les phases de développement. Il ne s’agit pas d’un gain de 20 ou 30% : sur certaines tâches, nous pouvons aller deux à trois plus vite. C’est important pour nous, comme ça l’est pour les autres, d’utiliser les outils modernes pour, in fine, être plus performants.
Il existe aussi une utilisation plus indirecte de l’IA, puisque nous utilisons de nombreux systèmes qui l’intègrent déjà. L’Intelligence Artificielle est déjà partout, et le cyclisme en bénéficie. Aujourd’hui, la quasi-totalité des entreprises technologiques utilisent l’IA d’une manière ou d’une autre. Elle est par exemple intégrée à certains outils d’analyse et de suivi des données de glycémie. En termes d’entraînement, elle devient également utile pour découper les séances de fractionné. Auparavant, l’humain faisait ça segment par segment. Aujourd’hui, des algorithmes peuvent utiliser ce découpage. C’est d’ailleurs un exemple de modèle qu’on a entraîné nous-mêmes, avec nos données.
Une grande partie du travail du data scientist consiste à collecter, nettoyer, structurer et rendre exploitables les données. C’est indispensable avant même de pouvoir construire des modèles ou produire des analyses pertinentes. C’est aujourd’hui beaucoup plus facile, beaucoup plus rapide, on va beaucoup plus loin, et on maîtrise beaucoup mieux la data».
On n’utilise pas l’IA
« On pourrait tenter d’utiliser l’IA dans le domaine de la santé, notamment pour identifier certains facteurs de risque liés aux blessures de surcharge. Mais les données médicales sont particulièrement personnelles et sensibles, ce qui impose de conserver des garde-fous importants. Par ailleurs, une grande partie des blessures dans le cyclisme est liée aux chutes, dont la prédiction individuelle reste extrêmement difficile. L’IA pourrait donc apporter certaines choses, mais ce n’est pas aujourd’hui l’un de nos chantiers prioritaires à mettre en place
Théoriquement, l’IA pourrait également nous aider à mieux anticiper les stratégies des équipes rivales. Mais il faudrait pour cela constituer et structurer une quantité considérable de données sur les scénarios de course, les compositions d’équipes et les différents contextes tactiques. Cela représenterait un travail conséquent pour un résultat qui resterait incertain : un modèle ne serait pas nécessairement meilleur que l’intuition de directeurs sportifs expérimentés. À terme, il pourrait néanmoins devenir une aide à la décision précieuse, en mettant en évidence certains scénarios ou certaines tendances difficiles à percevoir. Il ne remplacerait pas l’expertise du directeur sportif, mais pourrait lui apporter des informations supplémentaires au moment de prendre une décision ».
Le futur de l’IA dans le cyclisme
« L’IA va prendre de plus en plus de place dans tous les aspects de la performance. Il y aura encore plus de données, des mini-capteurs vont arriver, des outils vont se développer. On aura peut-être moins besoin d’aller en soufflerie et on pourra faire davantage de tests terrain grâce à des systèmes bourrés d’IA. Au niveau de l’entraînement, j’imagine que l’IA pourra relier tous les aspects de la performance. En absorbant les données globales d’un coureur, elle aura la capacité de faire le lien entre les choses et pointer du doigt certains éléments que l’humain ne voit pas. On peut imaginer qu’elle comprenne les spécificités d’un coureur, son fonctionnement, son besoin de récupération, et ce qui explique pourquoi il est performant à tel moment et moins à tel autre.
De la même manière que l’IA accompagne l’humain, l’humain doit accompagner l’IA. Elle a beau être intelligente, si elle n’a pas la donnée qu’il faut clé en main, elle ne pourra pas faire grand-chose. Notre travail est de poser un cadre pour fournir la bonne donnée aux modèles que vont utiliser nos collègues. Demain, les entraîneurs utiliseront probablement davantage l’IA, mais à partir de données dont dont nous maîtriserons la qualité, la structure et les conditions d’utilisation.
À l’avenir, l’IA pourrait aussi nous aider à évaluer le potentiel de progression restant d’un coureur. En termes de recrutement, elle pourrait extraire ce qui est pertinent dans les données d’un coureur. Ce ne sera jamais infaillible, mais plus nous disposerons de données pertinentes, fiables et représentatives, plus les modèles pourront gagner en précision. En accumulant de la donnée, on sera peut-être de plus en plus performants pour détecter des talents. Peut-être que, demain, cela nous permettra de recruter des profils qui seraient restés en dehors des canaux de détection traditionnels ».
Les limites de l’IA
« La difficulté majeure est de ne pas s’éparpiller. Une telle puissance nous est aujourd’hui donnée avec tous ces outils. Le risque serait de faire beaucoup plus, mais que ce ne soit pas nécessairement utile. Il ne faut pas oublier l’essentiel : le coureur doit bien manger, bien dormir, être en forme le jour J et avoir suffisamment d’autonomie et de recul tactiquement pour prendre les bonnes décisions. On peut aussi se perdre dans ce modèle où l’on cherche des optimisations à tout-va. C’est le défi actuel. On reste dans le domaine de l’exploration sur de nombreux sujets. L’IA nous donne la possibilité de lancer des projets beaucoup plus rapidement, mais ce n’est pas pour autant que tout ce qu’on fait sera utile au bout du compte.
On imagine naïvement que l’IA peut nous remplacer. En réalité, on n’a pas moins de travail avec l’IA. Au contraire, on en a plus. En revanche, on est plus puissant en l’utilisant. L’IA vient s’ajouter aux capacités humaines et permet de faire des choses beaucoup plus sophistiquées. Le but n’est pas de remplacer les entraîneurs par des IA, car l’entraîneur aura toujours une vision que l’IA n’a pas. En revanche, s’il arrive à l’utiliser, il pourra en tirer un avantage important. L’objectif est d’accompagner l’humain plutôt que de faire à sa place. L’idée directrice est la suivante : l’association de l’IA et de l’humain est plus forte que l’IA seule ou l’humain seul. Dans un secteur qui sert un objectif de performance, on ne peut pas se permettre de se passer de l’IA. Le problème n’a jamais été le manque d’idées, mais le temps qu’on devait y consacrer.
On a davantage intérêt à capitaliser sur l’IA pour l’entraînement, les technologies, plutôt que sur des choses secondaires. On y viendra sans doute un jour, mais ce n’est pas la priorité. Surtout, dans l’équipe, il y a plein de talents à tous les étages. Les entraîneurs, les coureurs et les mécaniciens ont chacun leur propre savoir-faire. Tous ces savoir-faire dans les différentes branches de métier de l’équipe font appel au génie humain et à l’intuition, qui ne seront pas remplacés du jour au lendemain ».
Olivier Mazenot en quelques mots
« J’ai trente-huit ans, et je suis professeur de mathématiques de formation. Après avoir obtenu le CAPES puis l’agrégation, je me suis réorienté en tant que data scientist en 2020. C’est en rejoignant Groupama-FDJ que j’ai exercé ce métier pour la première fois.
Je travaille sur les sujets liés à l’IA avec mon collègue Victor Scholler, docteur en sciences du sport et récemment diplômé en data science. Nous collaborons au quotidien sur le développement de notre plateforme interne de performance et sur les différents projets d’intelligence artificielle de l’équipe ».
Qualités : être bon en maths, en logique, et aimer programmer. D’une certaine façon, il faut être un peu geek pour vouloir comprendre les systèmes informatiques et tenter des choses. Il faut aussi une connaissance du monde dans lequel on travaille. J’ai toujours aimé et suivi le vélo, et cela permet de donner un sens aux données.
Défauts : Mon principal défaut est probablement de ne pas toujours réussir à traduire simplement des sujets très techniques. Il peut m’arriver d’utiliser un langage trop éloigné de celui de mes interlocuteurs. Mon parcours vient davantage des mathématiques et de l’ingénierie que du cyclisme professionnel, même si j’ai toujours suivi et pratiqué ce sport.
